本文共 9792 字,大约阅读时间需要 32 分钟。
作者:chen_h
微信号 & QQ:862251340 微信公众号:coderpai计划现将 tensorflow 中的 Python API 做一个学习,这样方便以后的学习。
Tensorflow提供了很多的操作,去帮助你构建常量。
tf.zeros(shape, dtype = tf.float32, name = None)
解释:这个函数返回一个全是零的张量,数据维度是 shape
,数据类型是 dtype
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")print sess.run(data)
输入参数:
*shape
: 一个整型的数组,或者一个一维的Tensor,数据类型是:int32
。 * dtype
: 输出结果Tensor
的数据类型。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,里面的所以数据都是0。 tf.zeros_like(tensor, dtype = None, name = None)
解释:这个函数返回一个全是零的张量,数据维度是和Tensor
一样,数据类型是默认是和Tensor
一样,但是我们也可以自己指定。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")d_1 = tf.zeros_like(data)d_2 = tf.zeros_like(data, tf.float32)print sess.run(d_1)print sess.run(d_2)
输入参数:
*tensor
: 一个Tensor
。 * dtype
: 输出结果Tensor
的数据类型,必须是 float32
,float64
,int8
,int16
,int32
,int64
,uint8
或者complex64
。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,里面的所以数据都是0。 tf.ones(shape, dtype = tf.float32, name = None)
解释:这个函数返回一个全是1的张量,数据维度是shape
,数据类型是dtype
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.ones(shape = [2, 3], dtype = tf.int32, name = "input_data")print sess.run(data)
输入参数:
*shape
: 一个整型的数组,或者一个一维的Tensor
,数据类型是 int32
。 * dtype
: 输出结果Tensor
的数据类型。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,里面的所以数据都是1。 tf.ones_like(tensor, dtype = None, name = None)
解释:这个函数返回一个全是一的张量,数据维度是和Tensor
一样,数据类型是默认是和Tensor
一样,但是我们也可以自己指定。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.zeros(shape = [2, 3], dtype = tf.int32, name = "input_data")d_1 = tf.ones_like(data)d_2 = tf.ones_like(data, tf.float32)print sess.run(d_1)print sess.run(d_2)
输入参数:
*tensor
: 一个Tensor
。 * dtype
: 输出结果Tensor
的数据类型,必须是 float32
,float64
,int8
,int16
,int32
,int64
,uint8
或者complex64
。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,里面的所以数据都是1。 tf.fill(dims, value, name = None)
解释:这个函数返回一个Tensor
,数据维度是dims
,填充的数据都是value
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.fill([2,3], 9)print sess.run(data)
输入参数:
*dim
: 一个Tensor
,数据类型是int32
,表示输出数据的维度。 * value
: 一个Tensor
,数据维度是0维,即是一个常量(标量),输出数据所以填充的都是该值。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型和value
相同。 tf.constant(value, dtype = None, shape = None, name = 'Const')
解释:这个函数返回一个常量Tensor
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.constant([1, 2, 3])print sess.run(data)data = tf.constant(-1.0, shape = [2, 3])print sess.run(data)data = tf.constant(2.0, dtype = tf.float32, shape = [2, 3])print sess.run(data)
输入参数:
*value
: 一个常量或者是一个数组,该数据类型就是输出的数据类型。 * dtype
: 输出数据的类型。 * shape
:(可选)输出数据的维度。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个常量Tensor
。 Tensorflow提供了一些函数,去帮助我们构建序列。
tf.linspace(start, stop, num, name = None)
解释:这个函数返回一个序列数组,数组的第一个元素是start
,如果num>1
,那么序列的最后一个元素就是 stop - start / num - 1
。也就是说,最后一个元素肯定是stop
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.linspace(10.0, 15.0, 10)print sess.run(data)
输入参数:
*start
: 一个Tensor
。数据类型必须是float32
或者float64
。该值是输出序列的第一个元素。 * stop
: 一个Tensor
。数据类型必须和start
相同。该值是输出序列的最后一个元素。 * num
: 一个Tensor
,数据类型是int32
。该值确定输出序列的个数 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型和start
相同,数据维度是一维。 tf.range(start, limit, delta = 1, name = 'range')
解释:这个函数返回一个序列数组,数组的第一个元素是start
,之后的每一个元素都在前一个元素的基础上,加上delta
,直到limit
,但是不包括limit
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.range(3, 15, 3)print sess.run(data)
输入参数:
*start
: 一个0维的Tensor
,即一个标量。数据类型必须是int32
。该值是输出序列的第一个元素。 * limit
: 一个0维的Tensor
,即一个标量。数据类型必须是int32
。该值是输出序列的最后限制,但不包含该值。 * delta
: 一个0维的Tensor
,即一个标量。数据类型必须是int32
。(可选)该值默认是1,也就是说输出数据从start
开始。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型int32
,数据维度是一维。 Tensorflow提供了一些函数,去帮助我们构建随机数张量。
tf.random_normal(shape, mean = 0.0, stddev = 1.0, dtype = tf.float32, seed = None, name = None)
解释:这个函数返回一个随机数序列,数组里面的值按照正态分布。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.random_normal([2, 3])print sess.run(data)
输入参数:
*shape
: 一个一维的Tensor
,或者是一个python数组。该值是确定输出序列的数据维度。 * mean
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值。该值表示正态分布的均值。 * stddev
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值,该值表示正态分布的标准偏差。 * dtype
: 输出数据的数据类型。 * seed
: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed
函数。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型是dtype
,数据维度是shape
,里面的值符合正态分布。 tf.truncated_normal(shape, mean = 0.0, stddev = 1.0, dtype = tf.float32, seed = None, name = None)
解释:这个函数返回一个随机数序列,数组里面的值按照正态分布,但和random_normal
函数不同的是,该值返回的是一个截断的正态分布类型。也就是说,产生出来的值范围都是在 [mean - 2 * standard_deviations, mean + 2 * standard_deviations]
内,下图可以告诉你这个具体范围在哪。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.truncated_normal([2, 3])print sess.run(data)
输入参数:
*shape
: 一个一维的Tensor
,或者是一个python数组。该值是确定输出序列的数据维度。 * mean
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值。该值表示正态分布的均值。 * stddev
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值,该值表示正态分布的标准偏差。 * dtype
: 输出数据的数据类型。 * seed
: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed
函数。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型是dtype
,数据维度是shape
,里面的值是一个截断的正态分布。 tf.random_uniform(shape, minval = 0.0, maxval = 1.0, dtype = tf.float32, seed = None, name = None)
解释:这个函数返回一个随机数序列,数组里面的值按照均匀分布,数据范围是 [minval, maxval)
。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.random_uniform([2, 3])print sess.run(data)
输入参数:
*shape
: 一个一维的Tensor
,或者是一个python数组。该值是确定输出序列的数据维度。 * minval
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值。该值表示均匀分布的最小值。 * maxval
: 一个0维的Tensor
,或者一个数据类型是dtype
的python值,该值表示均匀分布的最大值,但是不能取到该值。 * dtype
: 输出数据的数据类型。 * seed
: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed
函数。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型是dtype
,数据维度是shape
,里面的值符合均匀分布。 tf.random_shuffle(value, seed = None, name = None)
解释:这个函数返回一个随机数序列,将value
中的数据打乱输出。
使用例子:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np sess = tf.Session()data = tf.constant([[1, 2], [3, 4], [5, 6]])shuff_data = tf.random_shuffle(data)print sess.run(data)print sess.run(shuff_data)data = tf.constant([1, 2, 3, 4, 5, 6])shuff_data = tf.random_shuffle(data)print sess.run(data)print sess.run(shuff_data)
输入参数:
*value
: 一个Tensor
,需要打乱的数据。 * seed
: 一个python整型,为分布产生一个随机种子,具体可以参见set_random_seed
函数。 * name
:(可选)为这个操作取一个名字。 输出参数:
* 一个Tensor
,数据类型和数据维度都和value
相同。 tf.set_random_seed(seed)
解释:这个函数是设置图层面的随机种子。随机种子分为两类,一类是图层面的随机种子,另一类是操作层面的随机种子。具体区别如下:
第一种,如果图层面和操作层面的随机种子都没有设置,那么随机种子将在每个操作中被更新。例子如下:
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np a = tf.random_uniform([1])b = tf.random_normal([1])print "Session 1"with tf.Session() as sess1: print sess1.run(a) # generates 'A1' print sess1.run(a) # generates 'A2' print sess1.run(b) # generates 'B1' print sess1.run(b) # generates 'B2'print "Session 2"with tf.Session() as sess2: print sess2.run(a) # generates 'A3' print sess2.run(a) # generates 'A4' print sess2.run(b) # generates 'B3' print sess2.run(b) # generates 'B4'
第二种,如果图层面的随机种子被设置了,但是操作层面的随机种子没有被设置。那么,系统将把图层面的随机种子设置成操作层面的随机种子,以至于操作层面的随机种子将被确定下来。
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np tf.set_random_seed(1234)a = tf.random_uniform([1])b = tf.random_normal([1])# Repeatedly running this block with the same graph will generate different# sequences of 'a' and 'b'.print "Session 1"with tf.Session() as sess1: print sess1.run(a) # generates 'A1' print sess1.run(a) # generates 'A2' print sess1.run(b) # generates 'B1' print sess1.run(b) # generates 'B2'print "Session 2"with tf.Session() as sess2: print sess2.run(a) # generates 'A1' print sess2.run(a) # generates 'A2' print sess2.run(b) # generates 'B1' print sess2.run(b) # generates 'B2'
第三种,如果图层面的随机种子没有被设置,但是操作层面的随机种子被设置了,那么被设置随机种子的操作层将有确定的唯一种子,其他操作层不具有唯一种子。
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np a = tf.random_uniform([1], seed=1)b = tf.random_normal([1])# Repeatedly running this block with the same graph will generate the same# sequence of values for 'a', but different sequences of values for 'b'.print "Session 1"with tf.Session() as sess1: print sess1.run(a) # generates 'A1' print sess1.run(a) # generates 'A2' print sess1.run(b) # generates 'B1' print sess1.run(b) # generates 'B2'print "Session 2"with tf.Session() as sess2: print sess2.run(a) # generates 'A1' print sess2.run(a) # generates 'A2' print sess2.run(b) # generates 'B3' print sess2.run(b) # generates 'B4'
第四种,如果图层面和操作层面都设置了随机种子,那么这两个随机种子都将被使用,但是最后起作用的随机种子是唯一的,即操作的随机输出值是确定的。
#!/usr/bin/env python# -*- coding: utf-8 -*-import tensorflow as tf import numpy as np tf.set_random_seed(1234)a = tf.random_uniform([1], seed = 1)b = tf.random_normal([1], seed = 2)# Repeatedly running this block with the same graph will generate the same# sequence of values for 'a', but different sequences of values for 'b'.print "Session 1"with tf.Session() as sess1: print sess1.run(a) # generates 'A1' print sess1.run(a) # generates 'A2' print sess1.run(b) # generates 'B1' print sess1.run(b) # generates 'B2'print "Session 2"with tf.Session() as sess2: print sess2.run(a) # generates 'A1' print sess2.run(a) # generates 'A2' print sess2.run(b) # generates 'B1' print sess2.run(b) # generates 'B2'
输入参数:
*seed
: 一个整数类型。 转载地址:http://qvdqb.baihongyu.com/